这周在掘金看到一篇实战帖：作者把 LLM（大语言模型）接入自己写的开源企业级框架 Forge Admin 后，把后台 CRUD（增删改查）这类样板活儿的效率，做到了原来的 10 倍。但他自己在文末说了一句很克制的话 — 这 10 倍指的是样板代码那部分，思考业务那部分，AI 暂时还替不了。

这是什么

作者把代码生成流程拆成了两块：确定性部分（分层结构、命名规范、框架约定）交给代码模板；创造性部分（字段语义理解、默认值推断、简单业务逻辑）交给 LLM。

架构是一条 8 步流水线：数据库表元数据（字段名、注释、类型）→ 协议驱动描述层 → 提示词模板渲染 → 注入项目公共类清单 → 多供应商 AI 客户端 → 模型路由降级 → LLM 生成代码草稿 → Schema 校验后拼装成最终文件。

防幻觉靠三层兜底：结构校验（缺哪个文件由模板补）、关键骨架永远模板化（LLM 只填业务字段那一层）、主模型超时自动切备选模型。

行业怎么看

正面看：这是一篇把 AI 代码生成跑在生产里的实录，不是 demo 视频。「Schema First + LLM 增强」也是目前中后台领域比较靠谱的落地姿势。

但反面的声音同样要放出来：作者自己承认，复杂业务逻辑（清结算、风控规则）、跨表聚合统计、复杂前端联动这几类活儿，AI 给的只是草稿，要人工 Review。同一张表生成两次，字段注释可能略有差异，「确定性」打了折扣。更关键的是 — 真正值钱的业务系统，往往不是 CRUD。

我们的判断：AI 不是替代开发者，而是把开发者从样板活儿里解放出来，去做更值钱的业务判断。纯靠「写 CRUD」吃饭的初级岗位，会最先感受到压力。

对普通人的影响

对企业 IT：重复性高的中后台系统确实能省时间；但核心交易、风控、数据系统这类业务复杂的地方，省不了人。

对个人职场：写样板代码的初级开发会被推着往上走；能做业务架构、能 Review AI 产物的工程师，反而会更值钱。

对消费市场：大多数面向用户的产品底层都是 CRUD 类基础设施，AI 提速后新功能上线节奏可能加快；但用户能直接感知的体验设计，仍是人来把关。